Tuyển tập theo chủ đề
7 bài viết về MACHINE LEARNING.
7 bài viết#MACHINE LEARNINGBỏ lọc
Bài số № 31PRO
Bản đồ 14 bài để đi từ toán và Python tới Machine Learning, Deep Learning, Computer Vision và triển khai mô hình — kèm danh sách khoá học, sách, tài liệu miễn phí đáng tin cậy và cách học không bị lạc.
Bài số № 30PRO
Phần toán tối thiểu để đọc hiểu ML và Deep Learning: tích vô hướng, nhân ma trận, gradient, quy tắc chuỗi, phân phối xác suất, kỳ vọng, Bayes — mỗi khái niệm đi kèm vài dòng NumPy và chỗ nó xuất hiện trong mô hình thật.
Bài số № 29PRO
Bộ công cụ hằng ngày của AI Engineer: vector hoá với NumPy, đọc–lọc–gộp–làm sạch dữ liệu với Pandas, vẽ biểu đồ khám phá với Matplotlib. Thực hành trọn một vòng EDA trên Titanic, kết thúc bằng bảng đặc trưng sẵn sàng cho mô hình.
Bài số № 28PRO
Mô hình ML đầu tiên, viết tay bằng NumPy rồi bằng scikit-learn: hàm mất mát MSE, gradient descent theo batch và mini-batch, chia train/validation/test, overfitting–underfitting, hồi quy đa thức và regularization Ridge/Lasso.
Bài số № 27PRO
Từ hồi quy sang phân loại: sigmoid, softmax, cross-entropy, viết hồi quy logistic bằng NumPy; rồi đánh giá đúng cách với confusion matrix, precision/recall/F1, chọn ngưỡng, ROC-AUC, dữ liệu mất cân bằng, cross-validation và Pipeline chống rò rỉ dữ liệu.
Bài số № 26PRO
Cây quyết định chia dữ liệu bằng Gini/entropy, vì sao một cây dễ overfit, Random Forest gộp nhiều cây (bagging), gradient boosting sửa lỗi tuần tự; thực hành với scikit-learn, giới thiệu XGBoost/LightGBM/CatBoost, feature importance và permutation importance.
Bài số № 25PRO
Khi dữ liệu không có nhãn: viết K-means từ đầu, chọn số cụm bằng elbow và silhouette, khi nào dùng DBSCAN; giảm chiều bằng PCA (tự viết bằng SVD), nén ảnh chữ số, trực quan hoá bằng t-SNE/UMAP và phát hiện bất thường.